खाली डेटा, भरा हुआ शोर: क्रिकेट एनालिटिक्स की सबसे बड़ी चूक कहाँ होती है

मेरे दुबई डेस्क पर 1,248 IPL पारियों का डेटासेट खुला रहता है — 2026 से 2026 तक, पावरप्ले, मिडिल और डेथ फेज में बंटा हुआ। पिछले हफ्ते एक सिंडिकेट ने मुझे एक मैच का प्रीव्यू भेजा और पूछा कि मॉडल क्या कहता है। मैंने फाइल खोली। टाइटल था — लेकिन खाली। सोर्स था — लेकिन खाली। कोई स्कोरलाइन नहीं, कोई प्लेयर नहीं, कोई फॉर्मेट नहीं। जो आया था वो एक 'cricket_asia' लेबल था और उसके नीचे सब N/A। यही क्षण क्रिकेट एनालिटिक्स की असली समस्या है, और यह किसी मैच की नहीं, हमारी प्रक्रिया की समस्या है।

मैं 47 साल का हूँ, 31 साल से क्रिकेट देख और माप रहा हूँ, और पिछले आठ साल से दुबई से यूएई मार्केट के लिए क्रिकेट कवर कर रहा हूँ। 2026 में जब मैंने अपना फेज-बेस्ड एक्सपेक्टेड-रन्स मॉडल बनाया था — 1,248 IPL पारियों पर ट्रेन किया हुआ, तीन फेज में बंटा — तब मैंने उसे फ्री पब्लिश किया था, सैंपल और एरर बैंड के साथ, क्योंकि मैं चाहता था कि क्रिकेट बेटिंग मार्केट शोर से नहीं, नंबरों से बहस करे। उस मॉडल ने 2026 फाइनल में मुंबई इंडियंस को इनिंग्स ब्रेक पर 56.4% जीत की संभावना दी थी, जब मार्केट 50% पर था। मुंबई 129/8 बनाकर 1 रन से जीता। उस दिन मुझे लगा था कि मॉडल का काम खत्म हो गया। गलत था। मॉडल का काम तब शुरू होता है जब इनपुट खाली हो।

आज जब मुझे यह स्टेज-1 रिपोर्ट मिली, तो पहली नज़र में लगा कि कुछ गड़बड़ है। असल में गड़बड़ नहीं थी — यह एक ईमानदार डायग्नोसिस थी। रिपोर्ट का हर सेक्शन — फॉर्मेट, प्लेयर, टीम, लीग, गवर्नेंस, रिस्क, नैरेटिव, इंडस्ट्री ट्रांसमिशन — सब N/A से भरा था। और यही सबसे कीमती सबक है जो क्रिकेट एनालिटिक्स उद्योग को आज सीखना चाहिए। हम जिस दुनिया में काम करते हैं, वहाँ डेटा की कमी नहीं है। शोर की कमी नहीं है। जो कमी है वो है — खाली इनपुट को पहचानने की हिम्मत।

शोर की अर्थव्यवस्था

क्रिकेट एनालिटिक्स का 2026 का बाज़ार एक अजीब जगह है। एक तरफ हॉक-आई, बॉल-ट्रैकिंग, विनबैज़, वॉर-बोर्ड्स और IPL नीलामी के ₹90 करोड़ के पर्स हैं। दूसरी तरफ — ट्रांसफर वर्ल्ड कप से लेकर आईपीएल रिटेंशन तक — वही पुरानी आदतें: रेपुटेशन को वैल्यू समझना, मील के पत्थरों को कहानी समझना, और सबसे ऊपर, खाली डेटा को 'एनालिसिस' समझना।

मेरे पास हर हफ्ते कम से कम तीन ऐसी रिपोर्ट्स आती हैं जिनमें हेडलाइन तेज़ होती है और नीचे का डेटा खाली। 'रोहित शर्मा का फॉर्म चिंता का विषय' — लेकिन किस फेज में? 'टीम इंडिया की डेथ ओवर बॉलिंग कमज़ोर' — लेकिन किस सैंपल पर, किस वेन्यू पर, किस विरोधी के खिलाफ? ये सवाल पूछना एनालिस्ट का काम है, और यही काम आज सबसे कम हो रहा है।

जब स्टेज-1 खाली लौटता है, तो तीन चीजें संभव हैं। एक — सोर्स फेच नहीं हुआ। दो — सोर्स पेपरवॉल या वीडियो था। तीन — सोर्स सच में खाली था। तीनों में से किसी में भी स्टेज-2 का काम यह नहीं है कि वह कल्पना से क्रिकेट एनालिसिस रच दे। स्टेज-2 का काम यह है कि वह ईमानदारी से कहे: इनपुट अपर्याप्त है, और आगे बढ़ने का सही तरीका स्टेज-1 को दोबारा चलाना है।

यही मेरी पूरी कार्यप्रणाली का सार है। मेरा मॉडल चिल्लाता नहीं है; वह फेज के पलटने का इंतज़ार करता है। और जब डेटा खाली हो, तो फेज पलटता ही नहीं — तब एनालिस्ट का काम है कि वह चुप रहे और री-रन की मांग करे। यही अंतर है एक मॉन्यूमेंट और एक लेजर के बीच। अच्छा मॉडल निश्चितता का स्मारक नहीं, संदेहों का लेजर होता है।

भरोसे का ढांचा: कब डेटा काम करता है, कब सिर्फ दिखता है

मेरे पास एक साधारण टेस्ट है जो मैं हर रिपोर्ट पर लगाता हूँ, और यह टेस्ट मुझे दुबई के खाली स्टेडियम वाले 2026 सीज़न ने सिखाया था। उस साल 60 मैच बंद दरवाजों के पीछे खेले गए। मैंने होम एडवांटेज को शून्य पर सेट किया, ओस और टॉस के वेरिएबल जोड़े, और पाया कि दुबई/अबू धाबी में पहली पारी का औसत 2026 के 162.4 के मुकाबले 167.8 था। मुंबई इंडियंस ने पांचवां खिताब जीता, और मेरे मॉडल ने प्लेऑफ से पहले ही उनकी डेथ-बॉलिंग इकॉनमी 7.61 फ्लैग कर दी थी। उस खाली स्टेडियम ने मुझे सिखाया कि शोर एक वेरिएबल है, सत्य नहीं।

अब इसी टेस्ट को स्टेज-1 पर लगाइए। अगर फॉर्मेट नहीं पता, तो प्लेयर का औसत किस काम का? अगर वेन्यू नहीं पता, तो इकॉनमी किस काम की? अगर सैंपल साइज़ नहीं पता, तो 'फॉर्म' शब्द का कोई ऑपरेशनल मतलब नहीं। क्रिकेट एनालिसिस में सबसे बड़ी गलती फॉर्मेट मिक्सिंग है — टेस्ट के नए बॉल के आंकड़ों को T20 के डेथ ओवरों से मिला देना, या ODI के मिडिल ओवर की इकॉनमी को T20 पावरप्ले पर थोप देना। पावरप्ले, मिडिल और डेथ तीन अलग खेल हैं जो एक ही स्कोरकार्ड बांटते हैं। नया बॉल, मिडिल ओवर और पुराना बॉल तीन अलग अर्थव्यवस्थाएं हैं। जब तक फेज तय नहीं, डेटा बोलता नहीं।

यही वजह है कि जब मैंने 2026 IPL मेगा-नीलामी पर वॉर बोर्ड बनाया, तो मैंने पहले सभी टीमों के होम स्प्लिट्स को वेन्यू-न्यूट्रल बेस पर रीबिल्ड किया। हर फ्रैंचाइज़ के पास ₹90 करोड़ थे। मैंने गुजरात टाइटंस के ₹15 करोड़ के हार्दिक पांड्या और ₹15 करोड़ के रशीद खान को अंडरवैल्यूड बताया, क्योंकि मार्केट ने रेपुटेशन को प्राइस किया था, फेज इम्पैक्ट को नहीं। मैंने शुभमन गिल को ₹8 करोड़ में पावरप्ले एसेट के रूप में पुश किया। GT ने 2026 जीता। डेस्क का स्टार-नेम बोर्ड मेरे हाथ में था, और मैंने उसे 48 घंटे के वॉर स्प्रिंट पर डाल दिया।

लेकिन ध्यान दीजिए — यह सब तभी संभव था जब डेटा मौजूद था। खाली इनपुट पर वॉर बोर्ड नहीं बनता। खाली इनपुट पर सिर्फ एक चीज़ बनती है: कहानी। और कहानी ही वो चीज़ है जिससे मैं सबसे ज़्यादा दूर रहता हूँ।

एनालिसिस के तीन स्तर, और तीसरा स्तर क्यों सबसे खतरनाक है

क्रिकेट एनालिसिस में तीन स्तर होते हैं। पहला — डेटा। दूसरा — डेटा से निकला अर्थ। तीसरा — डेटा की अनुपस्थिति में रचा गया अर्थ। पहला स्तर ईमानदार है, दूसरा स्तर उपयोगी है, तीसरा स्तर खतरनाक है क्योंकि वह पहले दो की तरह दिखता है।

इस स्टेज-1 रिपोर्ट ने तीसरे स्तर से इंकार कर दिया। यह एक दुर्लभ चीज़ है। ज़्यादातर एनालिटिक्स पाइपलाइन्स में जब इनपुट खाली आता है, तो सिस्टम भरने की कोशिश करता है — अनुमान से, पिछले सीज़न से, 'जनरल नॉलेज' से। यही जगह है जहाँ 'प्रेशर', 'मोमेंटम' और 'उसने ज़्यादा चाहा' जैसे शब्द घुसते हैं। ये शब्द इसलिए नहीं घुसते कि वे सच हैं, बल्कि इसलिए घुसते हैं कि खाली जगह को कुछ भरना होता है।

मेरे पास इसका एक सीधा नियम है: अगर किसी दावे को झूठा साबित नहीं किया जा सकता, तो वह दावा एनालिसिस नहीं है। 'प्रेशर' को मैं कभी बिना प्रॉक्सी के इस्तेमाल नहीं करता — जैसे डॉट-बॉल प्रतिशत या रिक्वायर्ड-रेट शॉक या डेथ ओवर में बाउंड्री कंसेशन। 'मोमेंटम' को मैं कभी बिना ऑपरेशनल डेफिनिशन के नहीं लिखता। और अगर डेटा खाली है, तो मैं लिखता ही नहीं — मैं री-रन मांगता हूँ।

यही वजह है कि खाली इनपुट वाली इस रिपोर्ट का सबसे कीमती हिस्सा उसका 'Comprehensive Assessment' सेक्शन है, जहाँ उसने खुद को ★☆☆☆☆ रेटिंग दी है। पांचों डायमेंशन पर एक स्टार। कोई एनालिस्ट खुशी-खुशी खुद को एक स्टार नहीं देता। लेकिन यही ईमानदारी पूरी रिपोर्ट की क्रेडिबिलिटी है। जो मॉडल अपनी कमज़ोरी नहीं बताता, वह मॉडल किसी काम का नहीं। कैलिब्रेशन एक बार का फिक्स नहीं, रियलिटी को फिर से प्राइस करने का रोज़ का अनुशासन है।

जो दिखता है और जो होता है: क्रिकेट की असली मिस-प्राइसिंग

अब ज़रा इस रिपोर्ट के 'Hidden Information' सेक्शन पर नज़र डालिए। 'cricket_asia' लेबल से उसने अंदाज़ा लगाया कि यह एशियाई बाज़ार का क्रिकेट टॉपिक हो सकता है — भारत/पाकिस्तान/बांग्लादेश/श्रीलंका/अफगानिस्तान, या IPL/PSL/ILT20 जैसी एशियाई लीग। उसने इसे Low confidence टैग दिया। यही सही तरीका है। क्रिकेट में सबसे बड़ी मिस-प्राइसिंग अक्सर 'किस बारे में बात हो रही है' के स्तर पर होती है, 'कौन जीतेगा' के स्तर पर नहीं।

मैंने 2026 में रूस वर्ल्ड कप में यह सबक महंगा सीखा था। फ्रांस ने अर्जेंटीना को 4-3 से हराया, और उस मैच में मैंने फ्रांस को 2.1 xG और अर्जेंटीना को 1.4 xG पर लॉग किया, अर्जेंटीना का PPDA 13.8 मैप किया, और 19 साल के काइलियन एम्बाप्पे के दो गोल की बर्स्ट को एक कमर्शियल और टैक्टिकल ब्रेक के रूप में फ्लैग किया — वन-ऑफ के रूप में नहीं। उस समय मार्केट एम्बाप्पे को एक फिक्स्ड स्टार की तरह प्राइस कर रहा था। मैं उसे एक मूविंग मार्केट की तरह प्राइस कर रहा था। रूस से पहले मैंने एम्बाप्पे को मूविंग मार्केट की तरह प्राइस किया था, फिक्स्ड स्टार की तरह नहीं।

लेकिन इसी सबक का उल्टा भी सच है। जब डेटा खाली हो, तो एम्बाप्पे-स्टाइल का अनुमान भी मिस-प्राइसिंग है। 'cricket_asia' से यह अनुमान लगाना कि टॉपिक क्या है — यह वही गलती है जो हर रोज़ ट्रांसफर रूमर्स में होती है। 'सूत्रों के अनुसार' एक रिपोर्ट नहीं है। 'क्लॉज़ में छेद है' एक रिपोर्ट है। जब एक ट्रांसफर रूमर आता है, तो मैं तीन चीज़ें देखता हूँ — कॉन्ट्रैक्ट स्ट्रक्चर, वेज बिल, और एजेंट की चाल। रिलीज़ क्लॉज़ और वेज बिल ही असली कहानी हैं; हेडलाइन उसका रैपर है।

खाली स्टेज-1 डेटा पर भी यही लागू होता है। ओरिजिनल सोर्स को री-रन किए बिना, किसी भी नतीजे पर पहुँचना वही गलती है जो रेपुटेशन पर एसेट खरीदने की है।

काउंटर-इंट्यूटिव कोण: शायद खाली डेटा सबसे ईमानदार डेटा है

अब वो बात जो मैं कहना चाहता हूँ और जो शायद इस रिपोर्ट के सबसे करीब है। मैं आमतौर पर N/A वाली रिपोर्ट्स पर चिढ़ता हूँ। लेकिन इस बार नहीं। क्योंकि इस रिपोर्ट ने एक ऐसा काम किया जो 90% एनालिटिक्स पाइपलाइन्स नहीं करतीं — इसने खालीपन को छुपाया नहीं, दिखाया।

मुझे याद है 2026 में जब यूएई में IPL बंद दरवाजों के पीछे शुरू हुआ था, तो डेस्क पर कई लोगों ने कहा कि 'यह असली IPL नहीं है।' मेरी प्रतिक्रिया उल्टी थी। खाली स्टेडियम ने वो एसेम्प्शन्स खोल दिए जो हम क्राउड नॉइज़ और रिचुअल के पीछे छुपाते हैं। होम एडवांटेज शून्य था — और तभी हमें पता चला कि कितनी टीमों की 'घर की ताकत' असल में भीड़ थी, पिच नहीं। वही बात इस खाली डेटा पर लागू होती है। जब सारे फील्ड खाली हैं, तब पता चलता है कि कौन सा एनालिस्ट असल में डेटा से बोलता है और कौन सिर्फ शोर से।

मेरे लिए सबसे बड़ा संकेत इस रिपोर्ट की रिस्क मैट्रिक्स में है। सारी कैटेगरी — स्पोर्टिंग, पर्सनल, कमर्शियल, रूल्स, पब्लिक ओपिनियन, सिस्टमिक — N/A हैं। लेकिन एक जोखिम है जो कॉन्फर्म है: प्रोसेस रिस्क। यानी अगर इस इनपुट पर कोई डाउनस्ट्रीम फैसला लिया गया, तो वह फैसला गैर-मौजूद सबूतों पर टिका होगा। यही वो जोखिम है जो किसी एक मैच, किसी एक प्लेयर या किसी एक टीम से बड़ा है — यह पूरे मार्केट के भरोसे का जोखिम है।

मैं बेटिंग मार्केट में काम करता हूँ। यहाँ हर ऑड्स एक भरोसे का दावा है। अगर कोई सिंडिकेट खाली डेटा पर ऑड्स बनाता है, तो वह सिंडिकेट जल्द ही बाज़ार से बाहर हो जाता है। लेकिन क्रिकेट कवरेज में यही काम बिना जवाबदेही के चलता रहता है — क्योंकि अखबार का ऑड्स नहीं होता। मेरी पूरी कोशिश यही है कि क्रिकेट कवरेज को भी ऑड्स की तरह ट्रेड किया जाए — जहाँ हर दावे की कीमत हो, और गलत दावे की कीमत भी।

यहाँ एक आखिरी बात जो मैं साफ करना चाहता हूँ, क्योंकि यह मेरी सबसे बड़ी ट्रैप है। मैं खुद को कंट्रेरियन समझता हूँ — स्टार-वर्शिप वाली भारतीय कवरेज के बीच एक ऑस्ट्रेलियन आउटसाइडर। लेकिन हर बार उल्टा बोलना मेरा काम नहीं है। पहले कंसेंसस को स्टीलमैन करो, फिर देखो कि मिस-प्राइसिंग अभी ज़िंदा है या मार्केट ने खुद को करेक्ट कर लिया है। अगर मार्केट सही हो चुका है, तो कहो और आगे बढ़ो। इस रिपोर्ट के मामले में, कंसेंसस — यानी 'इनपुट अपर्याप्त है' — पहले से सही है। मुझे इसे चुनौती देने की ज़रूरत नहीं। मुझे इसे अम्प्लीफाई करने की ज़रूरत है।

आगे क्या देखना है

तो अगला सिग्नल क्या है? तीन चीज़ें। पहली — स्टेज-1 का दोबारा चलना, और यह देखना कि Information Points भरते हैं या नहीं। अगर एक भी सार्थक पॉइंट सोर्स के साथ आता है, तो पूरा आठ-डायमेंशन एनालिसिस तुरंत चल सकता है। दूसरी — सोर्स क्वालिटी का रिस्टोर होना। अगर आउटलेट और पत्रकार पहचाने जाते हैं, तो कॉन्फिडेंस की सीलिंग तय होगी। तीसरी — टॉपिक और फॉर्मेट का कन्फर्म होना, क्योंकि यही तय करता है कि कौन से डायमेंशन लागू होंगे।

मेरा मॉडल चिल्लाता नहीं है; वह फेज के पलटने का इंतज़ार करता है। इस बार फेज नहीं पलटा — इनपुट ही खाली था। और जब इनपुट खाली हो, तो सबसे अच्छा एनालिसिस यही है कि हम कहें: अभी नहीं। अगली बार जब कोई रिपोर्ट आपको बताए कि 'टीम का मोमेंटम बदल गया है', तो एक सवाल पूछिए — किस फेज में, किस सैंपल पर, और उस दावे को झूठा साबित करने के लिए आप क्या देखना चाहेंगे? अगर जवाब नहीं मिले, तो वह एनालिसिस नहीं, शोर है। और शोर की कीमत, आखिरकार, मार्केट हमेशा वसूलता है।